首先想搞懂這個問題，你需要這個是如何轉換的，其次去知道如何用特徵匹配來計算。開頭簡單的說就是，你拍了幾張圖片，高度不一，首先第一步就需要對影象進行變形，變形之後才更好匹配（至於根據什麼演算法去變形，這個我還沒了解到。。可能和影象識別有關吧）

然後接著把這個計算的步驟分為三步 1、影象變形 2、匹配特徵3、圖形拼接

一、圖形變形

這個比較好理解的就是，這就是對於一個圖片的處理，包括圖片的上下左右移動，部分的放縮和變形

但是在全景圖拼接中會用到一個單應性矩陣（Homography matrix）這個對於影象的透視處理很關鍵，我的理解是透過這個變換把照片中的三維元素進行一個較為自然的調整。

這裡除了用單應性矩陣來進行透視變換以外，對於一些影象處理還涉及到forward warping 和 inverse warping，也是文末連結可看

二、特徵匹配

這是全景圖拼接過程中的一個重點，這裡比較好理解的地方在於，既然是全景圖拼接，肯定就是把相同的地方拼在一起，所以就需要找出來相同的特徵，進行匹配

1、識別interest points(興趣點/關鍵點）即圖中白點

2提取圍繞每個興趣點的向量特徵描述符。

3確定兩個檢視中描述符之間的對應關係

要確定每個點是否是相似的，就要確定哪些畫素是唯一的（如何判斷一個畫素點是唯一的，對它進行任意方向的轉換，是否造成大的變化）

如何用數學的方式去完成這個任務呢，這裡會用到機器學習的一個方法主成分分析（PCA），主要成分是最大方差的方向。最高成分是與先前成分正交的方差最大的方向。

當你確定了這些畫素點之後，需要用一個經典的CV演算法Harris角點檢測，這展開講又多了，如果之後又時間再展開講一下，現在你知道是透過harris這個方法實現了特徵的識別就好。

現在識別出來之後，就要想辦法匹配，用的是SIFF的方法（中文翻譯是尺度不變特徵變換匹配演算法）

三、影象拼接

用上之前找出來的特徵點，進行拼接，在匹配的過程中會出現一些異常點，就是outliers，我們需要拼接的只是inliers

這裡用到的演算法是RANSAC演算法去找outliers並去除。

總結一下，生成全景圖的幾大步驟：

–步驟1：檢測特徵

–步驟2：匹配特徵

–步驟3：使用RANSAC演算法計算單應性（Homography）

–步驟4：將影象變形併合並在一起

很簡單，相當於我們手機中的全景拍攝，把每個鏡頭拍攝的影象進行剪下拼貼而成，如果停車狀態下，開啟全景影像功能，把一側前門開啟，就會發現一側的攝像頭圖片有斷開，因為鏡頭在車門後視鏡上，車門的開啟使其無法正常拼貼了。就是這麼個簡單原理。